NIPSDec, 2017

基于黎曼流形的受试者选择用于无监督跨受试者癫痫检测

PDF
TL;DR利用 Riemannian 流形聚类协方差矩阵的新算法，对选择哪些实验对象进行无监督筛选，实验结果表明该方法在脑信号分析领域表现出色，准确率和特异度达到了 89.84% 和 89.64%，并将错误报警率从原来的每小时 0.8 降低至 0.77。
inter-subject variabilitybrain signal analysisriemannian manifoldunsupervised selectioneeg seizure database
发现论文，激发创造
  • 利用流形回归从 MEG/EEG 脑信号中预测，无需源建模

    本文介绍了一种基于 Riemannian 几何学的 M/EEG 数据分析方法，通过将 M/EEG 协方差矩阵映射到切空间中进行回归和预测，研究结果表明这种方法在预测能力上超过基于传感器空间的估计方法，接近需要 MRI 数据的生物物理学驱动源定位模型的表现。

    Jun, 2019

  • 物理相容和无监督的黎曼领域适应，用于异构脑电数据的机器学习

    应用电脑脑电波信号物理学的方法，通过字段插值将脑电通道映射到固定位置，实现源域适应，提高了脑机接口和潜在生物标志应用的分类性能。

    Mar, 2024

  • 基于 fMRI 的大脑状态推断的监督聚类方法

    提出一种基于多个脑区功能磁共振成像信号的预测方法，通过引入层次聚类和特征聚合实现降维，从而提高了预测准确性，并推断了与回归或分类任务相关的脑区的权重分配。

    Apr, 2011

  • 利用黎曼度量进行领域适应的相关性对齐

    本文研究如何进行领域自适应，特别是无监督领域自适应。通过使用神经网络并对其隐藏层的特征进行约束，得到了一个利用该流形上的理论上合理测地线距离的损失函数，从而比以前的方法表现更好。

    May, 2017

  • 从流形学习的角度重新思考 k-means

    该论文提出了一种基于流形学习和张量正则化的聚类算法，不同于传统的基于 k-means 的方法，该算法通过构建距离矩阵来直接检测数据簇，同时应用于多视图数据中，证明了其优越性能。

    May, 2023

  • 黎曼流形回归的共形推断

    这项研究通过在流形上进行回归、流形统计学等探究，提出了一种在响应变量位于流形、协变量位于欧几里得空间情况下的回归预测方法，该方法基于非参数的分布自由概念，通过证明流形上经验预测区域与总体预测区域近似几乎必然收敛来展示其高效性。通过综合模拟研究和实际数据分析进行了验证。

    Oct, 2023

  • 机器人学习在流形上的非参数回归

    本研究提出了一种在机器人学习中处理非欧几里德流形数值数据的本质方法，该方法通过在流形上选择适当的概率分布，并将其参数作为预测变量的函数进行非参数化估计，同时结合核函数的局部似然方法，实现了比投影算法更好的预测准确性。

    Oct, 2023

  • 基于监督平滑流形的可扩展人员再识别

    在人员再识别中，我们提出了基于流形保存的亲和力学习算法，该算法可以最大程度地利用监督训练数据，并且可以被插入到现有算法中作为一种通用的后处理过程，从而进一步提高识别精度。

    Mar, 2017

  • 数据流形中的多线性核回归和插补

    本文介绍了一种基于核的高效多线性非参数逼近框架，应用于动态磁共振成像（dMRI）的数据回归和插值。该多线性模型具有降维、高效计算和提取数据模式和几何形状等特点，在严重欠采样的 dMRI 数据测试中较之以往的方法，包括流行的数据建模方法及最近的张量和深度图像先验方案，均表现出了显著的效率和准确性的提升。

    Apr, 2023

  • 基于孪生神经网络潜空间的单类支持向量机用于脑 MRI 白质高信号异常无监督检测

    提出基于 Patch 自编码器的无监督异常检测方法，在多模态神经影像任务中，将单类支持向量机应用于异常检测以检测病变，评估了该模型在公共数据集 White Matter Hyperintensities (WMH) Challenge 上的性能和表现与两种最优秀的现有技术相当。

    Apr, 2023